农业数字化对农业绿色全要素生产率增长的时空效应研究

韩海彬，邓 美

（天津商业大学 公共管理学院，天津 300134）

一、引言与文献综述

农业是我国国民经济的基础，更是人类社会的衣食之源与生存之本。当前我国农业面临着资源约束趋紧、劳动力短缺、生产技术落后等多重挑战，要破解农业发展中的多重困境，只有促进农业高质量发展，而提升农业全要素生产率（TFP）是促进农业高质量发展的关键所在[1]。此外，2022年中央农村工作会议对建设农业强国进行了系统阐释和全面部署，农业TFP作为一个复合指标能够集中反映和刻画农业强国的多维特征，因此农业TFP增长是农业强国建设的内生驱动力。同时，2022年中央农村工作会议上提出要建设农业强国需坚持农业绿色发展底色，为此要加快发展生态低碳农业。我国农业亟需重构增长机制，实现由要素驱动的粗放型增长向绿色全要素生产率驱动的绿色高质量发展转变[2]。不同于传统的农业TFP，农业绿色全要素生产率（GTFP）将农业环境污染作为非期望产出纳入分析框架，更能刻画农业绿色高质量发展的真实水平。由此可见，促进农业GTFP增长是推动农业绿色高质量发展的核心动力，将有助于提高农业可持续发展能力，加快农业强国建设。

当前，我国正由农业大国向农业强国迈进，加快农业强国建设的基本前提是转变农业发展方式。互联网、云计算和大数据等数字技术被广泛应用于农业领域，使现代信息技术与农业生产的各个环节实现高效融合，是促进农业发展方式转变的迫切需要。因此，随着数字技术渗透到农业各生产环节，农业数字化已成为促进农业发展方式转型，推动农业高质量发展的重要手段。2019年《数字乡村发展战略纲要》指出要提高农业数字化水平，建设绿色智慧乡村，推广农业绿色生产方式，推动农业绿色发展。随着农业数字基础设施建设逐渐完善，农业新技术和新知识可以利用数字渠道改善农业生产方式，促进农业绿色生产，最终推动农业绿色高质量发展。农业数字化与农业GTFP均是加快农业强国建设的有效方式，并且分别作为推动农业绿色高质量发展的重要手段和核心动力。那么，农业数字化与农业GTFP之间是否具有关联性，这种关联性又是否能突破传统地理界线并表现出一定程度的空间溢出效应？本文试图通过明晰上述问题，揭示农业数字化对农业GTFP增长的驱动机制，从而为促进农业绿色高质量发展转型升级，加快农业强国建设提供理论支持和政策参考。

农业数字化是一个集物联网、智能农业、自动化农业于一体的现代数字农业发展模式。当前学界对农业数字化的研究正处于起步和快速发展阶段，相关研究主要集中于农业数字化转型、农业数字化评价以及农业数字化赋能作用等方面。在农业数字化转型的相关研究中，国内外学者主要从农业数字化转型的战略意义、制约因素及实施路径等方面展开探讨[3-4]；在农业数字化评价方面，相关文献主要围绕相对宽泛的数字乡村建设综合评价展开，只有少数文献聚焦农业领域，在构建农业数字化指标体系的基础上利用静态评价法对农业数字化发展水平进行综合评价[5]；在农业数字化赋能作用方面，相关文献从理论或实证层面探讨了农业数字化对农业强国建设、乡村产业转型、农业绿色发展以及新型农业经营体系构建等方面的重要作用[6-7]。

传统的农业TFP测度只考虑农业投入要素对农业经济增长的正向效应，而忽略其对农业生态环境的负向效应，从而导致政府部门在制定相关政策时仅关注农业经济绩效而忽略农业生态环境保护，这不符合农业绿色高质量发展的目标要求。农业GTFP将环境因素纳入农业TFP的分析框架，不仅追求农业生产活动的经济绩效，还考虑资源与环境约束，以实现农业产出增长与环境治理的双赢目标，从而使农业TFP评价更符合农业绿色高质量发展的内在要求[8]。近年来，随着农业环境污染问题日益凸显以及促进农业绿色高质量发展的现实需要，越来越多的学者将农业环境污染排放纳入农业TFP测度体系，并对农业GTFP的评价及影响因素等问题展开研究。

在评价方法上，早期文献大多利用基于方向性距离函数（DDF）的Malmquist-Luenberger（ML）指数将农业环境污染作为非期望产出纳入评价指标体系，从而有效解决了农业环境全要素生产率评价问题。然而DDF模型假设投入和产出变量同比例变化，这种强假设条件与事实不符。为此，Tone（2003）[9]提出了非径向SBM 模型，该模型能够考虑松弛变量，克服了传统径向模型的弊端。因此，目前大多文献倾向于利用基于SBM模型的ML指数对农业环境全要素生产率进行评价[10]。然而，需要说明的是，SBM模型将生产前沿面上距离决策单元最远的点作为投影点，这与以最短路径到达生产前沿面的效率优化目标相违背[11]。为此，Aparicio 等（2007）[12]提出了以强有效生产前沿面上距离决策单元最近的点作为投影点的MinDS（Minimum Distance model to Strong Efficient Frontier）模型，从而有效解决了SBM模型的弊端。鉴于此，少数学者如肖琴等（2020）[13]和刘亦文等（2021）[14]开始尝试将MinDS模型与ML指数相结合构建用于环境全要素生产率评价的MinDS-ML指数模型。

影响农业GTFP增长的因素是多维度的，现有文献分别围绕自然因素、经济因素、科技因素和社会因素等对农业GTFP的驱动机制展开全方位探讨。但现有关于探究农业数字化对农业GTFP增长的影响效应方面的文献较少，相关研究主要围绕宏观经济领域，探讨数字经济对GTFP的影响。此外，专门聚焦农业领域的少数文献主要从相对宽泛的数字乡村层面出发，探讨其对农业GTFP的影响。例如，杜建军等（2023）[15]在对数字乡村指数和农业GTFP指数进行测度的基础上，利用中介效应模型探讨了数字乡村对农业GTFP增长的作用机制。

鉴于此，本文从以下两方面对现有文献进行拓展：一是在研究内容上，目前专门探讨农业数字化对农业GTFP影响的文献还不多见。本文在厘清农业数字化对农业GTFP影响机理的基础上，利用空间计量模型实证检验农业数字化对农业GTFP增长的时空效应，将有助于从空间视角揭示农业数字化与农业GTFP之间的内在机理，从而为推动农业绿色转型发展提供新动能。二是在研究方法上，首先，本文利用基于二次加权的“纵横向”拉开档次法对考察期内我国各省份的农业数字化发展水平进行动态评价，既能从纵向视角揭示各省份农业数字化发展水平的动态演变规律，又能从横向角度刻画不同省份农业数字化发展水平的优劣态势，而且通过基于时间的二次加权，能够从时间和空间双重维度探索农业数字化发展水平的时空演变规律，从而有效克服了传统静态评价法的缺陷。其次，本文将MinDS 模型与Global ML 指数相结合构建MinDS-GML 指数模型，并利用该指数模型对我国各省份的农业GTFP 进行测度。该模型不仅具有MinDS模型的优良特性，而且还能解决传统ML 指数不可传递性及可能出现无可行解的缺陷，从而保证测度结果的准确性和科学性。

二、农业数字化对农业GTFP的影响机制

与传统农业相比，数字农业具有数据化、可视化、网络化、智能化和共享化等特点。数字技术与农业生产相结合可转变农业发展方式，促进农业GTFP增长。另外，从空间视角来看，农业数字化发展打破了时空壁垒，增强了区域间农业信息和资源交互作用的广度和深度，在提升本地区农业GTFP的同时，也可能对邻接地区农业GTFP产生正向或负向影响。具体来说，农业数字化可通过促进和抑制两种不同的作用方向影响农业GTFP。

从农业数字化对农业GTFP的抑制作用看，农业数字化主要通过马太效应、虹吸效应、挤出效应和不良竞争效应抑制农业GTFP增长。首先，当区域间农业数字化发展水平差异较大时，农业数字化水平较高的地区会聚集更多的人才、资金等生产要素，造成“强者愈强，弱者愈弱”的马太效应[16]，从而导致不同区域农业数字化发展水平之间的差距进一步拉大，区域间农业数字化发展失衡可能会抑制农业GTFP增长。其次，区域农业数字化发展不平衡产生了“数字鸿沟”，在这过程中，对邻接地区较高级的生产要素产生虹吸效应[17]，导致邻接地区优质资源流失；同时，随着本地区聚集高级生产要素的农业产业不断饱和，一部分存在高污染、高消耗的农业产业被挤出到邻接地区，进而导致邻接地区的环境污染加重，从而对邻接地区的农业GTFP增长产生抑制作用。最后，相邻地区会通过不良竞争导致农业资源浪费，阻碍农业生产由传统技术向绿色技术转型，进而产生对农业GTFP增长的负向影响。

从农业数字化对农业GTFP的促进作用看，农业数字化主要通过良性竞争效应、溢出效应、生态效应和示范效应促进农业GTFP增长。首先，随着农业数字化发展水平的提升，相邻地区通过良性竞争实现优势互补，可有效缩短农业生产技术研发周期，从而促进农业GTFP增长。其次，农业数字化发展产生的先进技术和管理经验可通过互联网突破时空约束，产生空间溢出效应，实现远距离传播，从而促进邻接地区农业GTFP增长。此外，农业数字化发展实现农业产业链生态循环，促进农产品和农业资源的循环利用，促进农业经济增长的同时减少环境污染，最终有利于提升农业GTFP。最后，相邻地区通过示范效应学习和借鉴农业生产的新技术和新模式，实现农业产业的转型与升级，进而促进农业GTFP增长。

三、研究方法、变量选取与数据来源

（一）研究方法

1.空间计量模型设定

本文采用空间计量模型分析农业数字化对农业GTFP增长的时空效应。常见的空间计量模型主要包括空间滞后模型、空间误差模型和空间杜宾模型。其中，空间杜宾模型是更为一般化的空间计量模型，可用于分析本地区的被解释变量是否受到本地区和邻接地区的解释变量的影响。因此，本文参考程德智和王满仓（2021）[18]的研究，构建如下空间杜宾模型以揭示农业数字化对农业GTFP增长的时空效应：

其中，i和t分别表示地区和年份；GTFP表示被解释变量，即农业绿色全要素生产率累计值；W表示空间权重矩阵；Digit表示作为核心解释变量的农业数字化；δWijDigitit表示农业数字化的空间滞后项；Xit表示其他控制变量的集合；表示控制变量的空间滞后项；θit表示误差项。

2.空间权重矩阵设置

构建空间权重矩阵是进行空间计量分析的重要前提。在已有文献中，地理距离或经济距离是最常见的空间权重矩阵的权重元素。本文综合考虑地理距离权重和经济距离权重双重维度叠加的影响，参考任阳军等（2022）[19]的研究，构建如下农业经济地理嵌套权重矩阵（W）：

其中，Wg为地理距离权重矩阵，该矩阵的元素为考察期内省份间经纬度距离的倒数；为农业经济规模对角矩阵，该矩阵的元素为t0到t1时段各省份农林牧渔业总产值均值与全国农林牧渔业总产值均值的比值。

（二）变量选取

1.被解释变量：农业GTFP

按照韩海彬和杨冬燕（2023）[20]的思路，从投入产出角度构建农业GTFP评价指标体系。具体来说，本文选取的投入指标包括土地投入、劳动力投入、农业机械投入和化肥投入；选取的期望产出指标为农林牧渔业总产值。此外，在农业生产过程中除了产生期望产出之外，还会产生对农业生态环境造成污染的非期望产出，本文将农业面源污染和农业碳排放作为非期望产出指标，具体核算方法参见韩海彬（2020）[21]的研究。

在构建农业GTFP 评价指标体系的基础上，本文将MinDS 模型与Global ML 指数相结合构建MinDSGML 指数模型，并利用该模型对我国各省份的农业GTFP 指数进行测度，具体公式参照Han 和Zhang（2020）[22]的方法。

2.核心解释变量：农业数字化（Digit）

在已有相关文献的基础上[23]，本文构建包括农业数字化的发展环境、基础设施环境和应用环境3个一级指标以及14个二级指标在内的农业数字化评价指标体系（见表1）。在此基础上，参考韩海彬（2020）[21]的思路，利用基于二次加权的“纵横向”拉开档次法对我国各省份的农业数字化水平进行测度。

表1 农业数字化评价指标体系

3.控制变量

借鉴已有研究[24]，选取以下控制变量：（1）工业化水平（Industry）。工业化可能对农业生产产生技术溢出效应，从而推动农业现代化发展，并对农业GTFP增长产生影响。本文采用工业总产值占国内生产总值的比重衡量工业化水平。（2）农业产业结构（Agristru）。种植业、林业、畜牧业、渔业的比例结构变化，将导致不同细分部门之间的生产要素投入结构发生变化，进而引起农业GTFP的变化。本文采用农业总产值占农林牧渔业总产值的比重衡量农业产业结构。（3）电力利用水平（Electricity）。农村电力系统与农业产业发展息息相关，加强农村电力基础设施建设，充分发挥其能源优化配置的核心优势，以高效和安全的能源供给方式适应现代化农村生产模式，进而促进农业GTFP增长。本文采用农村用电量与农作物总播种面积的比值衡量电力利用水平。（4）城乡收入差距（Income）。城乡收入差距扩大直接影响农民的农业生产行为，可能导致部分农民为追求高产量和高收入而过量使用农用化学品，从而对农业GTFP增长产生影响。本文采用城镇居民人均可支配收入与农村居民家庭人均纯收入的比值衡量城乡收入差距。

（三）数据来源

限于数据的可获得性，本文选取2011—2020年不包括西藏和港澳台地区的30个省份的面板数据作为样本进行实证研究。文中涉及的原始数据均来源于《中国统计年鉴》《中国农村统计年鉴》《中国人口和就业统计年鉴》以及各省、自治区、直辖市的统计年鉴等。表2为各变量的描述性统计结果。

表2 变量描述性统计结果

四、实证结果与分析

（一）农业GTFP与农业数字化的测度结果

图1刻画了考察期内30个省份的农业GTFP与农业数字化的年平均值，其中左纵坐标表示农业GTFP指数，右纵坐标表示农业数字化水平。

图1 2011—2020年我国各省份农业GTFP和农业数字化的平均值

如图1所示，从农业GTFP的测度结果来看，绝大部分省份的农业GTFP均值大于1，说明考察期内我国农业GTFP整体提升，农业绿色转型发展已见成效。从农业数字化的测度结果来看，考察期内农业数字化均值排在全国前五位的省份均位于东部地区，分别为江苏（34.3500）、浙江（33.3510）、广东（30.5268）、北京（29.7475）和上海（27.9687），这些省份的农业数字化水平均较高，农业数字化转型发展位于全国前列。相较而言，农业数字化均值位列全国后五位的省份均位于西部地区，分别为新疆（13.6202）、贵州（13.4062）、宁夏（12.8646）、甘肃（12.5319）和青海（10.0721）。其中，全国农业数字化发展水平最高省份江苏是最低省份青海的3.4倍。可见，我国各省份间农业数字化发展水平具有较大差异。

（二）空间计量模型的选择

本文利用空间计量模型探讨农业数字化对农业GTFP的空间溢出效应，但空间计量模型的具体形式需通过各种检验进行确定，具体检验结果见表3。首先，判断模型是否存在空间误差项和空间滞后项需要进行LM 检验。LM 检验结果显示：LM-lag、Robust LM-lag 和Robust LM-error 统计量均在1%的显著性水平上拒绝原假设，LM-error统计量也在10%的显著性水平上拒绝原假设，说明空间误差项和空间滞后项均应包含在所构建的模型中，因此本文考虑空间因素并利用空间计量模型进行实证分析是合理的。其次，LR似然比检验和Wald检验均证明空间杜宾模型不能退化为空间滞后模型和空间误差模型，因此应选用空间杜宾模型进行回归分析。此外，Hausman检验结果支持选择固定效应模型。而且，时间LR检验和空间LR检验均在1%的显著性水平上拒绝原假设，因此还需考虑时空双固定效应模型。综上，空间杜宾模型是最优选择。

表3 空间计量模型选择检验结果

（三）空间杜宾模型回归结果分析

本文基于时空双固定效应空间杜宾模型探讨农业数字化对农业GTFP的时空效应，结果见表4。

表4 时空双固定效应空间杜宾模型回归结果

由表4可知，空间自相关系数ρ通过了10%的显著性检验，说明农业GTFP存在显著的空间溢出效应，且回归结果的拟合优度R-squared为0.8697，说明本文构建的时空双固定效应空间杜宾模型是合理的。需要说明的是，简单的点估计结果可能导致对空间溢出效应的错误诠释，而采用偏微分分解方法分解得到直接效应、间接效应和总效应可以提高结论的准确性[25]。此外，考虑到传统的固定效应模型存在偏误，本文基于Lee和Yu（2010）[26]的研究，同时给出传统的时空双固定效应空间杜宾模型以及时空双固定效应偏误校正空间杜宾模型的空间效应分解结果，具体见表5。

表5 空间杜宾模型的空间效应分解结果

由表5可知，两种模型的空间效应分解结果基本一致，证明了本文实证结果的稳健性。其中，以本地区各解释变量对本地区农业GTFP的影响效应表示直接效应；以本地区各解释变量对邻接地区农业GTFP的影响效应表示间接效应，即空间溢出效应。由于时空双固定效应空间杜宾模型的应用更为广泛，下文将以该模型为例对空间效应分解结果进行分析。

从核心解释变量的空间效应分解来看，农业数字化对农业GTFP具有显著的正向直接效应，其回归系数在10%的水平上显著为正，表明本地区农业数字化对本地区农业GTFP增长具有显著的正向促进作用。可能的原因是，随着本地区农业数字化水平的提升，以大数据、互联网等为基础的农业数字技术与农业生产各环节的深度融合，能够促进农业技术进步，实现农业规模化经营，提高农药、化肥等农业资源的利用效率，从而减少农业碳排放，最终有利于促进本地区农业GTFP增长。同时，农业数字化对农业GTFP的间接效应在1%的水平上显著为正，表明本地区农业数字化对邻接地区农业GTFP增长也具有显著的正向影响。且农业数字化对农业GTFP 的间接效应强于直接效应，说明农业数字化对邻接地区的农业GTFP 的促进作用更明显。可能的原因是随着本地区农业数字化水平的提升，本地区先进的农业生产技术和管理经验将对邻接地区产生示范效应和溢出效应，引导邻接地区效仿和发扬本地区的先进经验，从而对邻接地区农业GTFP增长具有显著促进作用。

从其他解释变量的空间效应分解来看，工业化水平对农业GTFP具有显著的正向直接效应，表明本地区的工业化水平显著促进了本地区农业GTFP的增长。主要原因是工业化快速发展对农业生产具有明显的辐射带动作用，工业化水平的提高为农业生产提供了先进的生产工具和生产模式。具体来说，由工业化拉动的农业机械化的大力发展提高了农业生产效率；此外，农业生产参照工业化生产模式所具有的专业化、规模化和组织化的特点进行有效分工也可有效促进农业GTFP增长。农业产业结构对农业GTFP具有显著的负向直接影响，可能的原因是，化肥和农药等生产要素在种植业生产中应用广泛，因此种植业是农业碳排放的主要来源，其在农业产业中所占比重越大，可能越制约本地区的农业GTFP增长。电力利用水平对农业GTFP的直接效应在5%的水平上显著为负，说明本地区的用电负荷越大，对本地区的环境污染越明显，从而阻碍本地区农业GTFP增长。城乡收入差距对农业GTFP的直接效应也显著为负，表明本地区的城乡收入差距对本地区的农业GTFP增长具有显著负向影响。可能的原因在于，当城乡收入差距扩大时，农民可能会通过增加农药、化肥等农用化学品的投入提高农业产量，从而导致农业环境污染加剧，进而影响农业GTFP 增长；此外，当城乡收入差距扩大时，也可能会导致高素质农民为了追求较高的收入水平，而从农村转移到城市，从农业转移到非农产业，导致农业人才流失严重，从而抑制本地区的农业GTFP增长。对于间接效应而言，电力利用水平对农业GTFP的间接效应显著为负，可能的原因在于，本地区的电能污染扩散至邻接地区，可能会抑制邻接地区的农业GTFP增长。此外，工业化水平、城乡收入差距和农业产业结构对农业GTFP的间接效应的回归系数均不显著，说明三者对邻接地区农业GTFP的影响效应不明显。

（四）稳健性检验

空间权重矩阵的设定会对空间计量模型的回归结果产生影响，因此为进一步检验空间计量模型回归结果的稳健性，本文将替换上文农业经济地理嵌套权重矩阵中的地理距离权重矩阵，将考察期内省会城市间公路里程数距离倒数作为该地理距离权重矩阵的元素，并与农业经济规模对角矩阵相乘，构建出新的农业经济地理嵌套权重矩阵进行稳健性检验。由于篇幅限制，本文仅呈现稳健性检验的空间杜宾模型空间效应分解结果。如表6所示，稳健性检验结果与前文实证结果基本保持一致，说明前文研究结论是可靠的。

表6 稳健性检验结果

五、研究结论与政策建议

本文在对农业数字化和农业GTFP进行测度的基础上，利用空间杜宾模型实证检验农业数字化对农业GTFP增长的时空效应，得出如下结论：

1.考察期内，绝大部分省份的农业GTFP实现增长，说明我国农业GTFP整体获得改善。各省份农业数字化发展水平差异悬殊，农业数字化发展水平位列全国前五位的省份均位于东部地区，农业数字化发展水平位列全国后五位的省份均位于西部地区，呈现东西发展不平衡的格局。

2.农业数字化对农业GTFP增长具有显著的促进作用，本地区及邻接地区的农业GTFP均受到本地区农业数字化的显著正向影响，且间接效应大于直接效应，即农业数字化对邻接地区农业GTFP增长的促进作用大于本地区。

3.本文还探讨了除农业数字化之外的其他部分影响因素对农业GTFP增长的时空效应。从直接效应来看，工业化水平对本地区的农业GTFP增长具有显著促进作用，而农业产业结构、电力利用水平和城乡收入差距则对本地区农业GTFP增长具有显著抑制作用；从间接效应来看，电力利用水平对邻接地区农业GTFP增长具有显著的负向影响。

基于以上研究结论，提出如下政策建议：

1.推动数字技术与农业生产的深度融合，促进农业GTFP增长。利用互联网、云计算和大数据等数字技术在农业领域的不断发展，实现智慧农业和精准农业。利用实时、动态的农业大数据平台，对农业种植进行快速、多维的实时监测，经过数据分析后实施农业的智能灌溉、智能喷药与精准施肥等，有效节约化肥和农药等农业资源，在提高农业资源利用效率的同时减少农业环境污染，从而促进农业GTFP增长。

2.构建农村区域间数字化协同发展机制，促进农业绿色发展。当前各省份农业数字化发展水平存在较大差异，要构建农村区域间数字化协同发展机制，促进形成全国农业数字化协调发展格局。此外，区域间要共享农业数字化经验和模式，借鉴江苏、浙江和广东等农业数字化发展水平较高地区的先进数字技术和农业发展模式，促进农业数字化发展水平较低地区突破农业生产技术瓶颈，由传统的农业技术向农业数字技术和绿色技术转变，从而减少农业碳排放和农业面源污染，促进农业绿色发展。

3.重视多方面影响因素，共促农业转型升级。例如，充分利用工业化发展为农业领域带来的技术红利，推动农业数字技术和绿色技术研发；加快农业科技创新体系建设，优化和升级农业产业结构；升级农村电力系统，提高农业用电效率，减少电能污染；挖掘农业的增收潜力，缩小城乡收入差距，从而引导农业绿色生产模式，共促农业转型升级。